работа. Лабораторная работа 1 (1). Построение моделей идентификации
![]()
|
Лабораторная работа 1 Тема: «Построение моделей идентификации» 1.1. Задание: Методами регрессионного анализа построить модель идентификации второго порядка ![]() Провести статистический анализ модели. Проверить целесообразность включения в модель члена третьего порядка, т.е. перехода к модели ![]() Для получения выборки «экспериментальных» данных необходимо осуществить математический эксперимент с уравнением ![]() в котором величина x измеряется точно, а ![]() ![]() ![]() ![]() ![]() Математический эксперимент проводится по следующей схеме: с помощью датчика равномерно распределенных на отрезке [0, 1] случайных чисел определяется случайное число ![]() величина x определяется нормированием случайного числа на интервал [0, d] ![]() c помощью датчика нормально распределенных [0, 1] случайных чисел определяется случайное число ![]() ![]() «экспериментальная» величина ![]() Результатом математического эксперимента является выборка 10 случайных пар ![]() Таблица 1.1 Исходные данные для проведения математического эксперимента
1.2. Теоретические сведения 1.2.1. Выбор формы идентификации и регрессионный анализ Математически задача идентификации формулируется следующим образом. Имеется n пар экспериментальных точек ![]() ![]() которая описывает характеристики изучаемой системы. Уравнение (1.2) называется уравнением регрессии. Построение модели идентификации начинается с выбора формы модели, т.е. вида зависимости (1.2). При этом на практике могут встретится два случая. Форма математической модели известна заранее. В этом случае задача идентификации сводится к определению коэффициентов этой модели. Форма математической модели заранее неизвестна. В этом случае целесообразно использовать для построения модели общее разложение функции в ряд Тейлора. В данной лабораторной работе при идентификации ставится задача нахождение приближенной модели в виде полинома степени p ![]() Согласно методу наименьших квадратов, искомый вектор ![]() ![]() где ![]() Таким образом, для определения коэффициентов уравнения регрессии необходимо произвести следующие операции: составить матрицу независимых переменных Вандермонда ![]() ![]() найти транспонированную матрицу переменных ![]() ![]() найти обратную матрицу ![]() ![]() ![]() 1.2.2. Статистический анализ модели После вычисления коэффициентов регрессии необходимо провести статистический анализ полученной модели. Для этого необходимо вычислить следующие характеристики регрессионной зависимости: величину остаточной суммы квадратов отклонений фактических значений ![]() ![]() ![]() средние квадраты остаточных сумм ![]() критерий Фишера ![]() здесь ![]() F – отношение характеризуется двумя последовательно записанными значениями степеней свободы числителя и знаменателя. При этом, так как точность статистических оценок возрастает с ростом числа степеней свободы, то число степеней свободы точной величины ![]() ![]() Полученную величину F – отношения ![]() ![]() ![]() ![]() ![]() оценку связи коэффициентов регрессии между собой ![]() Эта оценка проводится по ковариационной матрице ![]() Диагональные элементы матрицы определяют дисперсии коэффициентов регрессии, а недиагональные – взаимосвязь этих коэффициентов. Коэффициент корреляции может изменяться в пределах ![]() Для сравнения моделей необходимо: рассчитать дополнительную сумму квадратов ![]() где ![]() определить число степеней свободы дополнительной суммы квадратов ![]() посчитать средний квадрат дополнительной суммы ![]() определить роль дополнительной информации с помощью критерия Фишера ![]() Если полученное значение критерия Фишера значимо ![]() 1.3. Пример построения модели идентификации Для получения выборки «экспериментальных» данных осуществим математический эксперимент с уравнением ![]() по следующей схеме: с помощью датчика равномерно распределенных на отрезке [0, 1] случайных чисел определяется случайное число ![]() величина x определяется нормированием случайного числа на интервал [0, 6] ![]() c помощью датчика нормально распределенных [0, 1] случайных чисел определяется случайное число ![]() ![]() «наблюдаемая» величина ![]() Результаты математического эксперимента (выборка 10 случайных пар ![]() Построим модель идентификации ![]() ![]() ![]() Найдем составляющие уравнения (1.4) ![]() ![]() ![]() ![]() ![]() ![]() Таким образом, получена зависимость ![]() на рис.1.1- ряд 2. Из рисунка видно, что полученная модель качественно правильно воспроизводит исходное описание. Статистические характеристики модели имеют следующие значения: остаточная сумма квадратов ![]() число степеней свободы остаточной суммы квадратов ![]() средние квадраты остаточных сумм ![]() критерий Фишера ![]() По таблицам распределения критерия Фишера ![]() ![]() Определим связи коэффициентов регрессии между собой ![]() ![]() Таким образом, коэффициенты регрессии достаточно сильно связаны между собой. Поскольку форма модели заранее неизвестна, целесообразно рассмотреть возможность использования кубической модели ![]() В результате расчетов найдены коэффициенты такой модели ![]() на рис.1.1 – ряд 1. ![]() Для проверки целесообразности включения в модель члена третьей степени вычисляется остаточная сумма квадратов для уравнения (1.5), дополнительная сумма квадратов, средний квадрат и величина Фишера: ![]() По таблицам распределения (прил. 1) определяем критическое значение Фишера ![]() Лабораторная работа № 2 |